Weather prediction

descrição
Projeto Menor

Previsão do tempo usando Lora e aprendizado de máquina

Introdução

A previsão do tempo usando o LORA é um método simplificado e econômico para prever o clima. Nós o usaremos para prever a condição climática em tempo real em grandes altitudes.

Declaração de problemas

Feito usando comunicação por satélite

• Caro
• Cobertura limitada
• Limitação de energia
• Latência
• Degradação do sinal

Comunicação celular (3G, 4G) não é possível

Objetivos

1. Desenvolver o sistema de comunicação da LORA para transmissão de dados climáticos em tempo real.
2. Projetar e implementar o sistema de protótipo para previsão do tempo em tempo real.
3. Investigar o uso de algoritmos de aprendizado de máquina para previsão do tempo.

Revisão da literatura

• O aprendizado de máquina pode ter um desempenho melhor do que os modelos matemáticos tradicionais no escopo da previsão do tempo ao longo do tempo, através de pesquisas em trabalho relacionado, juntamente com nossa experimentação. [5]
• Recentemente, tem havido interesse crescente na possibilidade de usar redes neurais para previsão do tempo e a geração de conjuntos de dados climáticos. [10]
• Lora pode ser considerada uma boa candidata na solução da complexidade dos problemas no desenvolvimento da IoT no próximo futuro. [2]
• O experimento com a transmissão da LORA mostrou que a tecnologia Lora é muito adequada para o sistema de poluição do ar, especialmente na transmissão de longo alcance em comparação com outras técnicas de transmissão sem fio. [11]

Metodologia

Os dados climáticos do sensor BMP 180 e DHT 11 são transmitidos do transmissor para a seção do receptor usando o LORA. Arduino na estação receptor envia os dados do sensor para o servidor do nó. O Node Server exibe os dados climáticos ao vivo usando o Chart.js. Os servidores do nó chamam a API para o Flask Server para previsão do tempo. O Flask Server chama o modelo de aprendizado de máquina quando o usuário insere parâmetros de entrada para previsão do tempo.

Diagrama de blocos do sistema

Diagrama de atividades do sistema

Diagrama de atividades do nó

Diagrama de atividades de balão

Layout do circuito

Pipeline de aprendizado de máquina

um. Coleta de dados para treinamento de modelos.

b. Filtragem de dados

Engenharia de recursos

Transformando dados brutos em um formato mais adequado para algoritmos de aprendizado de máquina para extrair padrões significativos e fazer previsões precisas.

Fig: umidade

Fig: Temperatura

Fig: pressão

Seleção do modelo

O algoritmo XGBoost foi usado para treinar o modelo devido aos seguintes motivos:

1. Possui alto desempenho de previsão, projetado para lidar com relacionamentos complexos e não lineares em dados e pode capturar padrões sutis que podem ser perdidos por outros algoritmos
2. Pode ser usado para tarefas de classificação e regressão.
3. Ele fornece informações valiosas sobre a importância dos recursos. Ele calcula as pontuações de importância do recurso com base no número de vezes que um recurso é usado para dividir os dados em todas as árvores de reforço.
4. É altamente otimizado e oferece velocidade de execução rápida.
5. O XGBoost possui recursos internos para lidar com dados ausentes. Ele pode aprender a lidar com valores ausentes, tomando decisões informadas durante o processo de construção de árvores.
6. O modelo selecionado é treinado usando os dados coletados. 80% dos dados são usados ​​para treinamento e os 20% restantes dos dados são usados ​​para testes.
7. Cálculo médio de erro quadrado da raiz para os seguintes parâmetros

Resultado

Relatório meteorológico ao vivo

Previsão do tempo

Melhoria futura

• O aprendizado de máquina pode ser aprimorado usando mais conjuntos de dados e melhores algoritmos.
• Os dados da Lora podem ser coletados no banco de dados para usá -los como um conjunto de dados de treinamento para uma previsão climática mais precisa.
• O projeto pode ser expandido para incluir mais dados atmosféricos para prever chuvas e chances de avalanches em terrenos montanhosos.

Referências

• [1] Singh, DK, Sobbti, R., Jain, A., Malik, PK, Le, D.-N.: Monitoramento inteligente de solo e condições climáticas baseadas em Lora com a Internet das Coisas para Agricultura de Precisão em Cidades Inteligentes. IET Commun. 16, 604-618 (2022).
• [2] It Ali e RF Sari, "Oportunidades de pesquisa de Lorawan for Internet of Things Implementation", 2018 2ª Conferência Internacional sobre Tecnologia Eletromagnética Aplicada (AEMT), Lombok, Indonésia, 2018, pp. 61-66, DOI: 10.1109/aemt.2018.8572427.
• [3] Pozdnoukhov, A., Purves, R., & Kanevski, M. (2008). Aplicando métodos de aprendizado de máquina à previsão de avalanche. Annals of Glaciology, 49, 107-113. doi: 10.3189/172756408787814870
• [4] Augustin, A., Yi, J., Clausen, T. e Townsley, Wm 2016. Um estudo de Lora: Long Range & amp; Redes de baixa potência para a Internet das Coisas. Sensores. 16, 9 (setembro de 2016), 1466. Doi: https: //doi.org/10.3390/s16091466.
• [5] B. Quinn e E. Abdelfattah, "Meteorologista de aprendizado de máquina pode prever chuva", 2019 IEEE 10ª Conferência Anual de Computação Ubíqua, Eletrônica e Comunicação Mobile (UEMCON), Nova York, NY, EUA, 2019, pp.
• [6] Goldoni, E., Pando, L., Vizziello, A., Savazzi, P. e Gamba, P. 2019. Análise experimental de conjuntos de dados da localização interna e externa baseada em RSSI em redes Lora. Cartas de tecnologia da Internet. 2, 1 (janeiro de 2019), E75. Doi: https: //doi.org/10.1002/itl2.75.
• [7] Jitcha Shivang, SS Sridhar, “Previsão do tempo para a localização indiana usando aprendizado de máquina”, International Journal of Pure and Applied Mathematics Volume 118 No. 22 2018.1945-1949 ISSN: 1314-3395 (versão on-line).
• [8] TA Team, "Nano", Documentação do Arduino, https://docs.ardeino.cc/hardware.
• [9] D. Hudgeon e R. Nichol, “Machine Learning for Business: usando a Amazon Sagemaker e Jupyter”, Amazon, https://docs.aws.amazon.com/sageMaker/latest/dg/xgboost-howitworks.html.
• [10] S. Scher e G. Messori, “Previsão climática e climática com redes neurais: usando modelos de circulação geral (GCMS) com complexidade diferente como um terreno de estudo”, Desenvolvimento de Modelo Geocientífico, https://doi.org/10.5194/GMD-12-2797-2019.
• [11] Naa Husein, Aha Rahman e DP Dahnil, “Avaliação do sistema de monitoramento de poluição do ar baseado em LORA”, International Journal of Advanced Computer Science and Applications (IJACSA), http://dx.doi.org/10.14569/ijacsa.2019.019773

{ % arquivo src = ".